[发明专利]暴雨雨峰位置推求方法、装置、介质和设备

权利要求书

1.一种暴雨雨峰位置推求方法，其特征在于，步骤包括：

划分历史场次降雨并选样，生成暴雨样本；

提取暴雨样本的暴雨特征，并且确定暴雨样本的雨峰位置；暴雨特征包括暴雨总历时、总雨量和雨峰雨量；

构建神经网络模型；

将暴雨样本的暴雨特征作为输入，对应雨峰位置作为标签，对上述构建的神经网络模型进行训练，得到暴雨雨峰位置推求模型；

针对需要进行雨峰位置确定的场次暴雨，提取该场次暴雨的暴雨特征，输入到暴雨雨峰位置推求模型中，通过暴雨雨峰位置推求模型确定出雨峰位置；

在训练过程中，暴雨样本的暴雨特征在进行归一化处理后输入到神经网络模型中，暴雨样本的雨峰位置进行归一化处理后作为神经网络模型的标签；

在测试过程中，将场次暴雨的暴雨特征归一化处理后输入到暴雨雨峰位置推求模型中，针对于暴雨雨峰位置推求模型的输出进行反归一化后确定出场次暴雨的雨峰位置。

2.根据权利要求1所述的暴雨雨峰位置推求方法，其特征在于，生成暴雨样本的具体过程为：

针对历史降雨过程，将之间存在a1小时以上无降雨的前后两场降雨划分两场独立的降雨过程；

针对上述划分出的降雨过程，选取出a2小时降雨量超过n毫米的降雨过程，作为暴雨样本。

3.根据权利要求2所述的暴雨雨峰位置推求方法，其特征在于，a1为2；a2为12～36，n对应为25～75。

4.根据权利要求1所述的暴雨雨峰位置推求方法，其特征在于，暴雨特征和雨峰位置进行归一化处理的公式如下：

其中，X^*为数据归一化后样本，x为样本数据，x_min为样本数据中的最小值，x_max为样本数据中的最大值。

5.根据权利要求1所述的暴雨雨峰位置推求方法，其特征在于，构建的神经网络模型包括依次连接的第一隐含层、第二隐含层和输出层；设定神经网络模型初始学习速率为0.01，训练次数100000次，训练目标最小误差0.0000001。

6.根据权利要求5所述的暴雨雨峰位置推求方法，其特征在于，第一隐含层和第二隐含层初始节点根据以下公式确定：

m为隐含层节初始点数，n为输入层节点数，l为输出层节点数，α为常数。

7.一种暴雨雨峰位置推求装置，其特征在于，包括：

样本生成模块，用于划分历史场次降雨并选样，生成暴雨样本；

暴雨特征提取模块，用于提取暴雨样本的暴雨特征，并且确定暴雨样本的雨峰位置；暴雨特征包括暴雨总历时、总雨量和雨峰雨量；

模型构建模块，用于构建神经网络模型；

训练模块，将暴雨样本的暴雨特征作为输入，对应雨峰位置作为标签，对上述构建的神经网络模型进行训练，得到暴雨雨峰位置推求模型；

测试模块，针对需要进行雨峰位置确定的场次暴雨，提取该场次暴雨的暴雨特征，输入到暴雨雨峰位置推求模型中，通过暴雨雨峰位置推求模型确定出雨峰位置；

在训练过程中，暴雨样本的暴雨特征在进行归一化处理后输入到神经网络模型中，暴雨样本的雨峰位置进行归一化处理后作为神经网络模型的标签；

在测试过程中，将场次暴雨的暴雨特征归一化处理后输入到暴雨雨峰位置推求模型中，针对于暴雨雨峰位置推求模型的输出进行反归一化后确定出场次暴雨的雨峰位置。

8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～6中任一项所述的暴雨雨峰位置推求方法。

9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～6中任一项所述的暴雨雨峰位置推求方法。